論文の概要: Widening the Role of Group Recommender Systems with CAJO

• arxiv url: http://arxiv.org/abs/2504.05934v1
• Date: Tue, 08 Apr 2025 11:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:28:05.174867
• Title: Widening the Role of Group Recommender Systems with CAJO
• Title（参考訳）: CAJOによるグループレコメンダシステムの役割拡大
• Authors: Francesco Ricci, Amra Delić,
• Abstract要約: グループレコメンダシステム(GRS)は20年以上にわたって研究され開発されてきた。 非常に成功し、一般的なレコメンデーターシステム(RS)が主要なeコマースやソーシャルプラットフォームすべてで使われているのに比べれば、失敗とラベル付けすることも可能です。 本稿では,グループレコメンデータシステムの成功が遅れている理由を論じるとともに,人間とインテリジェントシステム間の新たなコラボレーション形態の分析と開発に展開する研究プログラムを提案する。
• 参考スコア（独自算出の注目度）: 1.9336815376402723
• License:
• Abstract: Group Recommender Systems (GRSs) have been studied and developed for more than twenty years. However, their application and usage has not grown. They can even be labeled as failures, if compared to the very successful and common recommender systems (RSs) used on all the major ecommerce and social platforms. As a result, the RSs that we all use now, are only targeted for individual users, aiming at choosing an item exclusively for themselves; no choice support is provided to groups trying to select a service, a product, an experience, a person, serving equally well all the group members. In this opinion article we discuss why the success of group recommender systems is lagging and we propose a research program unfolding on the analysis and development of new forms of collaboration between humans and intelligent systems. We define a set of roles, named CAJO, that GRSs should play in order to become more useful tools for group decision making.
• Abstract（参考訳）: グループレコメンダシステム(GRS)は20年以上にわたって研究され開発されてきた。 しかし、その用途と利用は成長していない。 非常に成功し、一般的なレコメンデーターシステム(RS)が主要なeコマースやソーシャルプラットフォームすべてで使われているのに比べれば、失敗とラベル付けすることも可能です。 結果として、私たちが現在使っているRSは、個人ユーザーのみを対象としており、自分専用のアイテムを選択することを目的としており、サービス、製品、経験、個人を選択しようとするグループに対して選択支援は提供されていない。 本稿では,グループレコメンデータシステムの成功が遅れている理由を論じるとともに,人間とインテリジェントシステム間の新たなコラボレーション形態の分析と開発に展開する研究プログラムを提案する。 グループ意思決定においてより有用なツールとなるために、GRSが果たすべき役割のセットであるCAJOを定義します。

関連論文リスト

• Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems [65.75265303064654]
  対話レコメンデーションシステム(CRS)は、ユーザとの対話を通じてパーソナライズされたレコメンデーションを提供することを目的としている。 大規模言語モデル(LLM)は、コンテキスト対応のユーザの好みに対する理解が優れているため、CRSを強化する。 CRAG(Collaborative Retrieval Augmented Generation for LLM-based CRS)を提案する。
  論文  参考訳（メタデータ） (2025-02-19T22:47:40Z)
• Identify Then Recommend: Towards Unsupervised Group Recommendation [13.238029824207151]
  Group Recommendation (GR)は、ユーザグループにアイテムを推奨することを目的としている。 underlineIdentify underlineThen underlineRecommend(underlineITR)という,教師なしグループレコメンデーションフレームワークを提案する。 我々は産業レコメンデータにITRを配置し、有望な結果を達成する。
  論文  参考訳（メタデータ） (2024-10-31T09:24:22Z)
• A Multi-Agent Conversational Recommender System [47.49330334611104]
  マルチエージェント対話型レコメンダシステム(MACRS)を提案する。 まず,4つのLCMエージェントをベースとした対話フローを制御可能なマルチエージェント行動計画フレームワークを設計する。 第2に,ユーザのフィードバックを生かしたユーザフィードバック対応のリフレクション機構を提案し,従来からある誤りを推論し,対話行動計画の調整を行う。
  論文  参考訳（メタデータ） (2024-02-02T04:20:13Z)
• A Personalized Framework for Consumer and Producer Group Fairness Optimization in Recommender Systems [13.89038866451741]
  本稿では,CP-FairRankを提案する。CP-FairRankは,消費者と生産者の双方の公正性制約をシームレスに統合する最適化アルゴリズムである。 提案手法は, 消費者および生産者の公正性を, 全体的な推薦品質を損なうことなく向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-02-01T10:42:05Z)
• RecRec: Algorithmic Recourse for Recommender Systems [41.97186998947909]
  特定の予測やレコメンデーションを行う上で、すべての利害関係者がモデルの理論的根拠を理解することが不可欠です。 これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。 本稿では,コンテンツ提供者を対象としたレコメンデーションシステムのためのレコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-28T22:26:50Z)
• FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
  プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。 本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。 我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
  論文  参考訳（メタデータ） (2022-10-25T01:08:20Z)
• Meta Policy Learning for Cold-Start Conversational Recommendation [71.13044166814186]
  メタ強化学習を用いて冷間開始ユーザを対象としたCRSポリシー学習について検討する。 政策適応を容易にするために,3つの相乗成分を設計する。
  論文  参考訳（メタデータ） (2022-05-24T05:06:52Z)
• Learning Multi-Attention Context Graph for Group-Based Re-Identification [214.84551361855443]
  オーバーラップしていないカメラシステムを介して人々のグループを再識別または取得することを学ぶことは、ビデオ監視において重要なアプリケーションです。 本研究では,グループre-idというグループを識別するためのコンテキスト情報の利用を検討する。 本研究では,グループベースリドタスクを同時に処理するグラフニューラルネットワークに基づく新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-29T09:57:47Z)
• DeepGroup: Representation Learning for Group Recommendation with Implicit Feedback [0.5584060970507505]
  我々は、好みが不明な新しいユーザーグループへの推薦に重点を置いているが、他のグループの決定や選択が与えられている。 一連のグループとその観察された決定を考えると、グループ決定予測は、新しいグループのユーザーの決定を予測することを意図しています。 逆の社会的選択は、観察されたグループ決定に関わるユーザの好みを推測することを目的としています。
  論文  参考訳（メタデータ） (2021-03-13T02:05:26Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。